2024-03-29T14:02:07Zhttp://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/302462023-03-15T07:34:47Zcom_10324_30605com_10324_894col_10324_41
00925njm 22002777a 4500
dc
Martín Díaz, Ignacio
author
2018
Los fallos mecánicos pueden desarrollarse a lo largo de la vida últil de un motor de inducción provocando elevados costes. Por lo tanto, es necesario desarrollar técnicas de diagnóstico para llevar a cabo una detección incipiente. La mayor problemática para desarrollar estos sistemas es que muchos motores están alimentados por inversor y disponen de una cantidad limitada y desequilibrada de datos para constituir una herramienta de diagnóstico. Esta tesis desarrolla varias metodologías de diagnóstico. La primera de ellas orientada a reducir la incertidumbre en la localización de las frecuencias de fallo de barra a través de la aplicación combinada de la transformada Múltiple Signal Classification (MUSIC) y la Fast Fourier Transform (FFT). Posteriormente, se propone una metodología de diagnóstico que incluye las siguientes etapas: (i) En primer lugar se desarrolla una etapa de selección de características con el algortimo de Random Forest que permite determinar para qué conjunto y número de variables se consiguen obtener las mejores prestaciones. Esta técnica es comparada con otras como el criterio de Ganancia de Información, análisis de varianza (ANOVA) y el algoritmo Relief-F (ii) Con el objetivo de reducir el sesgo del clasificador en su etapa de entrenamiento, se equilibra el conjunto de datos con una técnica denominada Synthetic Minority Oversam-pling TEchnique (SMOTE) la cual genera observaciones sintéticas adicionales que permiten equilibrar las clases del conjunto de entrenamiento. (iii) Finalmente, se propone un novedoso algoritmo, AdaBoost, cuya principal ventaja es que puede ser usado en conjuntos de datos de diferentes casos sin modificar sus
http://uvadoc.uva.es/handle/10324/30246
b1793436
10.35376/10324/30246
Motores de inducción
Metodología de diagnóstico de motores de inducción alimentados por convertidor para la detección de fallos incipientes: basada en conjuntos pequeños de datos y clases desequilibradas